論文の概要: Generative Design of Physical Objects using Modular Framework

• arxiv url: http://arxiv.org/abs/2207.14621v1
• Date: Fri, 29 Jul 2022 11:41:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-01 12:32:06.180372
• Title: Generative Design of Physical Objects using Modular Framework
• Title（参考訳）: モジュラーフレームワークを用いた物理オブジェクト生成設計
• Authors: Nikita O. Starodubcev, Nikolay O. Nikitin, Konstantin G. Gavaza, Elizaveta A. Andronova, Denis O. Sidorenko, Anna V. Kalyuzhnaya
• Abstract要約: 本稿では、任意の生成設計問題に対する一般的なアプローチを定式化し、GEFESTと呼ばれる新しいフレームワークを提案する。 開発されたアプローチは、サンプリング、推定、最適化の3つの一般的な原則に基づいている。 GEFESTフレームワークの有効性を確認するために,一連の実験を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years generative design techniques have become firmly established in numerous applied fields, especially in engineering. These methods are demonstrating intensive growth owing to promising outlook. However, existing approaches are limited by the specificity of problem under consideration. In addition, they do not provide desired flexibility. In this paper we formulate general approach to an arbitrary generative design problem and propose novel framework called GEFEST (Generative Evolution For Encoded STructure) on its basis. The developed approach is based on three general principles: sampling, estimation and optimization. This ensures the freedom of method adjustment for solution of particular generative design problem and therefore enables to construct the most suitable one. A series of experimental studies was conducted to confirm the effectiveness of the GEFEST framework. It involved synthetic and real-world cases (coastal engineering, microfluidics, thermodynamics and oil field planning). Flexible structure of the GEFEST makes it possible to obtain the results that surpassing baseline solutions.
• Abstract（参考訳）: 近年、生成設計技術は多くの応用分野、特に工学においてしっかりと確立されている。 これらの手法は有望な見通しのために集中的な成長を示している。 しかし、既存のアプローチは、検討中の問題の特異性によって制限されている。 加えて、彼らは望ましい柔軟性を提供していません。 本稿では、任意の生成設計問題に対する一般的なアプローチを定式化し、その基盤としてGEFEST(Generative Evolution for Encoded STructure)と呼ばれる新しいフレームワークを提案する。 開発されたアプローチは、サンプリング、推定、最適化の3つの原則に基づいている。 これにより、特定の生成設計問題の解に対する解法調整の自由が確保され、最適な解を構築できる。 GEFESTフレームワークの有効性を確認するために,一連の実験を行った。 これには、合成および実世界のケース(沿岸工学、マイクロ流体学、熱力学、油田計画)が含まれていた。 GEFESTの柔軟な構造により、ベースラインソリューションを超える結果を得ることができる。

関連論文リスト

• Cliqueformer: Model-Based Optimization with Structured Transformers [102.55764949282906]
  我々は、MBOタスクの構造を学習し、経験的に改良された設計につながるモデルを開発する。 我々はCliqueformerを、高次元のブラックボックス機能から、化学・遺伝設計の現実的なタスクまで、様々なタスクで評価する。
  論文  参考訳（メタデータ） (2024-10-17T00:35:47Z)
• Dealing with Structure Constraints in Evolutionary Pareto Set Learning [11.242036067940289]
  多くの実世界のアプリケーションでは、最適解集合全体の構造的制約を持つことが望ましい。 構造制約を1つのパレート集合モデルによって設定された解全体へ組み込む最初の試みを行う。 提案手法により, 意思決定者は最適性を全ての解の中から好意的な構造と柔軟に交換することができる。
  論文  参考訳（メタデータ） (2023-10-31T12:53:56Z)
• Latent Diffusion Models for Structural Component Design [11.342098118480802]
  本稿では,構造部品の生成設計のための枠組みを提案する。 我々は、問題固有の負荷条件のセットを満たすことができるコンポーネントの潜在的な設計を生成するために、遅延拡散モデルを用いる。
  論文  参考訳（メタデータ） (2023-09-20T19:28:45Z)
• Designing MacPherson Suspension Architectures using Bayesian Optimization [21.295015276123962]
  コンプライアンステストは、まず、規律モデルを用いたコンピュータシミュレーションによって行われる。 このシミュレーションを通した設計は、物理的プロトタイピングとして考慮される。 提案手法は汎用的で,スケーラブルで,効率的であることを示す。
  論文  参考訳（メタデータ） (2022-06-17T21:50:25Z)
• Revisiting GANs by Best-Response Constraint: Perspective, Methodology, and Application [49.66088514485446]
  ベストレスポンス制約(Best-Response Constraint、BRC)は、ジェネレータのディスクリミネータへの依存性を明示的に定式化する一般的な学習フレームワークである。 モチベーションや定式化の相違があっても, フレキシブルBRC法により, 様々なGANが一様に改善できることが示される。
  論文  参考訳（メタデータ） (2022-05-20T12:42:41Z)
• Bayesian optimization with known experimental and design constraints for chemistry applications [0.0]
  実験計画アルゴリズムであるPhoenicsとGryffinを拡張して、任意の制約を扱えるようにします。 2つのシミュレーション化学研究シナリオでその実用性を解説する。
  論文  参考訳（メタデータ） (2022-03-29T22:16:54Z)
• A Generic Approach for Enhancing GANs by Regularized Latent Optimization [79.00740660219256]
  本稿では,事前学習したGANを効果的かつシームレスに拡張できる,エミュレーティブモデル推論と呼ばれる汎用フレームワークを提案する。 我々の基本的な考え方は、ワッサーシュタイン勾配流法を用いて与えられた要求に対する最適潜時分布を効率的に推算することである。
  論文  参考訳（メタデータ） (2021-12-07T05:22:50Z)
• Reinforcement Learning for Flexibility Design Problems [77.37213643948108]
  フレキシビリティ設計問題に対する強化学習フレームワークを開発した。 実験の結果、RL法は古典的手法よりも優れた解を常に見出すことがわかった。
  論文  参考訳（メタデータ） (2021-01-02T02:44:39Z)
• Optimization-Inspired Learning with Architecture Augmentations and Control Mechanisms for Low-Level Vision [74.9260745577362]
  本稿では,GDC(Generative, Discriminative, and Corrective)の原則を集約する,最適化に着想を得た統合学習フレームワークを提案する。 フレキシブルな組み合わせで最適化モデルを効果的に解くために,3つのプロパゲーティブモジュールを構築した。 低レベル視覚タスクにおける実験は、GDCの有効性と適応性を検証する。
  論文  参考訳（メタデータ） (2020-12-10T03:24:53Z)
• AdaLead: A simple and robust adaptive greedy search algorithm for sequence design [55.41644538483948]
  我々は、容易で、拡張性があり、堅牢な進化的欲求アルゴリズム(AdaLead)を開発した。 AdaLeadは、様々な生物学的に動機づけられたシーケンスデザインの課題において、アートアプローチのより複雑な状態を克服する、驚くほど強力なベンチマークである。
  論文  参考訳（メタデータ） (2020-10-05T16:40:38Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。